每次打开 Claude Code 都要重新解释一遍项目架构。每次修复一个 bug 都要重新交代一遍上下文。CLAUDE.md 写了 200 行还是不够用，而且一过期就得重写。
这是所有 AI 编程 Agent 用户的共同痛点。AgentMemory 就是来解决这个的。
它做了什么
AgentMemory 的思路是：静默捕获 Agent 的会话内容，压缩成可搜索的记忆，下次会话开始时自动注入正确的上下文。
不是简单的聊天记录存储。它扩展了 Karpathy 的 LLM Wiki 模式，加了置信度评分、生命周期管理、知识图谱和混合搜索。你第一次会话设置了 JWT 认证，第二次会话问限流的问题——Agent 已经知道你用的是 jose 中间件、测试覆盖 token 验证、选 jose 是因为 Edge 兼容。
不需要你重新解释。不需要复制粘贴。Agent 就是知道。
实际性能
项目自己跑了 benchmark（coding-agent-life-v1 内部语料库）：
- agentmemory 混合搜索：P@5 = 0.578，R@5 = 0.967，15/15 命中率，p50 延迟 14ms
- grep 基线：P@5 = 0.267，R@5 = 0.967，命中率相同但精确度差一倍多
混合搜索比纯 grep 高一倍多的精确度，而且延迟只有 14 毫秒。这意味着 Agent 在每次会话开始时注入的上下文更准确，token 浪费更少。
兼容范围
这是 AgentMemory 的一个突出优势：一个记忆服务器，所有 Agent 共享。
支持的 Agent 包括：Claude Code（原生插件 + 12 hooks + MCP）、Codex CLI（原生插件 + 6 hooks + MCP）、OpenClaw、Hermes、pi、OpenHuman、Cursor（MCP server）、Gemini CLI、OpenCode（22 hooks + MCP + plugin）、Cline、Goose、Kilo Code、Aider（REST API）、Claude Desktop、Windsurf、Roo Code。
基本覆盖了市面上主流的 AI 编程工具。你从 Claude Code 切换到 Cursor，记忆不用迁移。
架构
AgentMemory 基于 iii 引擎构建。核心流程：
- Agent 操作时，记忆服务器静默捕获关键信息
- 压缩并索引到本地存储
- 下次会话启动时，根据当前任务检索并注入相关记忆
- 置信度评分确保注入的是高相关度内容
自带一个 Viewer 界面可以查看和管理记忆内容，也有 MCP server 接口。
我的看法
AgentMemory 解决的是一个真实存在且被广泛抱怨的问题。但它有几个需要注意的地方：
- benchmark 是内部语料库跑的，第三方验证还不多。0.578 的 P@5 在实际项目里能拿到多少，需要更多实测数据。
- 记忆压缩的质量取决于压缩策略。如果压缩太激进，会丢失关键上下文；如果太保守，又回到了 token 浪费的老问题。
- 15k 星、387 commits，由 rohitg00 主导。这个作者还做了 ai-engineering-from-scratch（9,454 星），产出不低，但项目深度和广度需要更多时间验证。
如果你同时用多个 AI 编程 Agent，AgentMemory 的价值会成倍放大。 单一 Agent 用户的话，内置记忆文件（CLAUDE.md、.cursorrules）加上手动维护可能更简单。
值得跟进。下一次值得关注的是第三方 benchmark 结果和记忆压缩策略的透明化。
主要来源：